基于RBF神经网络的往复压缩机气阀故障诊断

本资料包含pdf文件1个，下载需要1积分

往复式压缩机是-种以压缩气体来提高气体压力或输送气体的机械，广泛地应用在采矿、机械制造、土木、石化、制冷以及国防工业中。如果往复式压缩机因故障突然停机，有可能造成人员伤亡的重大事故，后果非常严重。据统计，往复压缩机有60%以上的故障发生在气阀上。气阀故障引起的停机次数，占总停机次数85%以上 J。

近年来，由于人工智能理论的逐渐成熟，很多学者对人工智能理论在设备故障诊断中的应用进行了深入研究，但由于各种算法都具有不可克服的缺点，使故障诊断系统的准确率和可靠性不能满足要求，所以用于实际生产的故障诊断系统较少。神经网络的较强的自学习能力和非线性拟合能力为构造准确收稿 日期：2012-10-17作者简介：李宝栋(1979)，男，甘肃梳宁县人，兰州工业学院机械工程系讲师，研究方向为数字化制造技术。

可靠的故障诊断系统提供了可能 。该文采用RBF神经网络技术对往复式压缩机易产生故障的部位--气阀进行智能故障诊断。

1 RBF神经网络自神经网络产生以来，BP(Back Propagation)神经网络的介绍和使用较多。然而，BP神经网络的缺点也十分明显，它的收敛速度慢且易陷入局部极校RBF(Radial Basis Function)的训练速度快，逼近能力强 J，而且没有诸如 BP神经网络中收敛易陷入局部极小的缺点，近年来在设备故障诊断中也得到了广泛的应用。

RBF神经网络是-种新颖的前向性神经网络，它由三层网络构成，分别为输入层、隐含层和输出层。RBF神经网络通过隐含层实现了低维空间的非线性问题到高维空间的线性问题的转换，使问题得以顺利解决 J。RBF网络模型如图l所示。

2013年第 1期 工业仪表与自动化装置 ·89·图 1 RBF网络模型：2 RBF神经网络的训练算法RBF的 Gaussian函数网络学习参数有 3个 ，即各 RBF的中心 C 方差 和输出单元的权值 。

RBF神经网络算法步骤如下 ：1)选初始中心值C ；2)计算方差值 (1) 式中：dm为最大的距离，K为 c 的数量；3)计算 (n)夕 (凡)∑ [ (n)，C ，O-K] (2)4)更新网络参数W(n1)W( )/z e(n) (n) (3)CK(n1)：CK( ) 。 ×(，K ，咖[ (n)，C ( )， ][ (n)-C (n)] (4)( 1)： ( ) ×(J K ， ，6 Ex(n)，CK(n)， ]fI[ (n)-C (n)]fl。 (5)式中：(凡) [ (n)，c。(凡)， ]， [ (n)，c：(n)，：]，，Ex(n)，c (n)， ] (6)e(n)夕 (凡)-Y ( ) (7)Y (n)为网络期望输出； ， 。， 为 3个参数的学习步长。

3 往复压缩机气阀的故障诊断方法由于往复压缩机气阀工作时，阀片要经厨行碰撞，弹簧也经常被压缩，所以气阀中最容易产生故障的部件是阀片与弹簧。而阀片的主要故障形式是断裂和磨损，弹簧的主要故障形式是失效〖虑到工作现场搜集全各种故障数据比较困难，所以就对气阀的阀片与弹簧进行人工破坏，模拟故障形式，然后进行试验。并运用小波包变换与能量算子对气阀故障特征进行提取，这种故障特征提取方法解决了对信号包络解调前需要人为确定载波带对信号进行带通滤波的问题 。

MATLAB(R2011a)中利用 Newrb函数可构建RBF神经网络，文中，使输入层神经元个数为l6，输出层神经元个数为 16，RBF的分布密度SPREAD的值暂取为2，训练 目标误差取值为0.000 1。网络输出采用以下模式：阀片断裂(1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0)；阀片有磨损(0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0)；阀片弹簧失效(0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0)；无故障(0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0)；在训练的过程中，-个重要环节是确定隐含层的神经元数量，-般情况下由输入向量的元素确定隐含层的神经元数量，使二者相等即可。但此方法在输入向量比较多的情况下，隐含层神经元就会变多，导致学习时间过长。该文对传统的 RBF神经网络进行改进优化，首先让隐含层的神经元数量为 0，然后通过对输出误差的检查使隐含层的神经元数量自动增加。使输出误差的最大值所对应的输入向量作为权值向量，产生新的隐含层神经元，然后得到新的输出误差。按照此方法-直循环，直到误差达到要求或者隐含层的神经元数量达到最大时，循环结束。

4 仿真结果该试验选择了80组训练样本，其中75步达到了训练目标，训练过程如图2所示。选用气阀的60组测试样本送人训练好的 RBF神经网络进行模式识别，诊断结果如表 1所示。由表 1可以得到 RBF神经网络诊断准确率为96.67%。

在RBF神经网络的设计中，RBF的分布密度SPREAD的值对整个网络的准确性有很大影响。为此，在采用原训练样本和测试样本的前提下，分别取分布密度 SPREAD的值为 l、3和 8时进行试验，验证该值对故障诊断准确率的影响。试验结果为：当SPREAD的值为 1时，RBF神经网络诊断准确率为93.33%；当SPREAD的值为3时，RBF神经网络诊断准确率为95%；当SPREAD的值为 8时，RBF神经网络诊断准确率为96.67%。

· 90· 工业仪表与 自动化装置 2013年第 1期5 结论 IU-10t 该文将 RBF神经网络用于往复压缩机气阀的100 故障诊断，采用RBF神经网络对往复压缩机气阀在阀片断裂、阀片有磨损、阀片弹簧失效以及无故障状101 态给予识别。 试验结果表明，系统不仅能够检测到10-2 往复压缩机气阀故障的存在，而且能进行往复压缩10。3 机气阀的故障模式识别。